买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网青海省电力公司黄化供电公司;国网青海省电力公司;青海黄化电业实业有限公司

摘要：本发明公开了一种换流变压器绕组故障状态检测方法，涉及电力系统故障诊断技术领域，包括，采集换流变压器绕组动态参数，构建绕组监测数据集，对绕组监测数据集进行预处理，得到绕组状态矩阵；本发明通过集成高精度传感器阵列，全面采集变压器运行状态信息，构建了一个从数据获取、预处理、特征编码、强化到深度学习融合的综合诊断框架，特别是，引入了基于LASSO的故障突显模型，实现了对高维特征向量的动态自适应筛选，有效解决了特征冗余和噪声干扰问题，利用DBN模型的多层次抽象能力，对深度故障向量进行深度融合和故障模式识别，显著提高了故障概率预测的准确性和实时性。

主权项：1.一种换流变压器绕组故障状态检测方法，其特征在于：包括，采集换流变压器绕组动态参数，构建绕组监测数据集，对绕组监测数据集进行预处理，得到绕组状态矩阵；对所述绕组状态矩阵进行特征提取得到绕组状态特征，构建故障特征编码模型，将绕组状态特征输入故障特征编码模型产生含有故障特征的高维特征向量，同时完成对故障特征编码模型的训练；基于LASSO构建故障突显模型，对高维特征向量中的潜在故障特征进行动态自适应特征强化，得到深度故障向量；故障突显模型表达式为：，其中，为深度故障向量，为正则化参数，通过交叉验证的方法确定具体值，控制特征的稀疏度，从而筛选出最相关的特征，为回归分析方法，只保留对预测有贡献的特征，而剔除不重要的特征，对于非零的系数，LASSO对非零的系数进行绝对值减小，防止过拟合；LASSO表达式为： ，其中，代表故障类型的标签，为回归系数向量，决定了高维特征向量中的每一个特征对于预测目标变量的贡献程度，是样本数量，为欧几里得范数，为曼哈顿距离；将深度故障向量输入DBN模型进行深度融合和故障模式识别，得到预测故障概率；将实时数据输入DBN模型得到实时故障概率，根据实时故障概率判断换流变压器绕组故障状态;在换流变压器上安装有高精度振动传感器、温度传感器和电气参数监测设备；所述构建绕组监测数据集，表达式为： ，其中，表示绕组监测数据集，分别代表振动信号、温度、电流和电压；所述预处理包括，采用标准化方法Z-Score对绕组监测数据集进行归一化处理得到绕组状态矩阵Z。

全文数据：

权利要求：

百度查询： 国网青海省电力公司黄化供电公司 国网青海省电力公司 青海黄化电业实业有限公司 一种换流变压器绕组故障状态检测方法